大型语言模型（LLM）正在迅速成为各行各业的游戏规则改变者，为企业提供了前所未有的机会来简化运营、提高效率并推动创新。从 OpenAI 的 GPT-4 到 Meta 的 Llama 和 Anthropic 的 Claude 等强大的 LLM 平台正在改变我们与技术互动的方式。然而，要充分利用这些模型的力量，企业必须制定深思熟虑的战略，将 LLM 无缝集成到其工作流程中。
麻省理工学院斯隆管理学院的实践教授 Rama Ramakrishnan 认为，LLM 是企业可以以前所未有的速度构建应用程序的转型技术。在最近的一次网络研讨会上，Ramakrishnan 概述了三种不同的方法，企业可以利用这些现成的 LLM 来处理各种任务和业务用例：提示、检索增强生成（RAG）和指令微调。
1. 提示：释放 LLM 的力量
提示是最直接、最容易访问的 LLM 利用形式，它涉及简单地向模型提出问题或指令，并接收生成的响应。此方法特别适用于可以使用常识和日常知识成功完成的任务，而无需额外的专业培训或领域专业知识。
Ramakrishnan 强调，提示对于某些类型的分类任务特别有效。例如，一家电子商务公司可以利用 LLM 来分析客户对其网站上发布的产品评论。通过将评论提供给 LLM 并提示其识别潜在的缺陷或不受欢迎的功能，公司可以获得有价值的见解，以告知产品开发决策和改善客户满意度。此过程消除了手动标记和分类评论的需要，从而节省了时间和资源。
具体来说，假设一家在线服装零售商想了解客户对其新款连衣裙的看法。他们可以将数百条客户评论输入到配备提示功能的 LLM 中，并命令模型对评论进行分类，分为积极、消极和中性三个类别。更进一步，他们可以要求模型识别具体的评论主题，例如合身度、面料质量、设计和价格。LLM 可以迅速分析这些评论并提供汇总报告，突出显示每个主题的普遍情感。例如，报告可能显示，虽然许多客户喜欢这款连衣裙的设计，但相当一部分人对其合身度表示不满。这些信息可以用于改进未来的服装设计，更好地满足客户的需求。
在房地产领域，提示可用于自动生成物业描述。房地产经纪人可以向 LLM 提供关键特性和突出特征，并在几秒钟内生成引人注目的、有说服力的描述，以吸引潜在买家或租户。这使代理商能够专注于与客户建立关系和完成交易，而不是花费大量时间进行写作。
例如，一位房地产经纪人想要描述一套位于市中心的三卧室公寓。经纪人可以将以下详细信息输入到 LLM 中：三卧室两浴室、落地窗、城市景观、不锈钢电器、花岗岩台面、屋顶露台、健身中心、靠近公共交通。通过提示 LLM "为一套位于市中心的三卧室公寓生成引人注目的房产描述，突出其关键特性和优势。" LLM 可以在几秒钟内生成类似以下内容： "体验令人惊叹的城市生活，这套位于市中心的三卧室两浴室公寓将现代奢华与便利融为一体。落地窗可欣赏壮丽的城市景观，精致的内饰配备不锈钢电器和花岗岩台面。在屋顶露台上放松身心，或充分利用配备最先进设备的健身中心。位置便利，靠近公共交通，可以轻松探索城市所提供的一切。" 这段描述抓住了公寓的精髓，并突出显示了潜在买家或租户可能感兴趣的关键功能。
在金融行业，提示可用于分析市场趋势和生成投资报告。金融分析师可以向 LLM 输入相关数据和市场信息，并提示其识别模式、做出预测并生成富有洞察力的报告。这有助于分析师做出更明智的决策，并及时了解最新的市场发展。
想象一下，一个金融分析师想要评估一家科技公司的股票。他可以将以下数据输入到 LLM 中：公司过去五年的财务报表、行业分析报告、竞争对手分析、新闻文章和社交媒体情绪。通过提示 LLM "分析所提供的数据，并生成一份关于该科技公司股票的综合投资报告，包括优势、劣势、机会和威胁。" LLM 可以利用这些数据生成一份详尽的报告，突出显示公司的优势，例如强劲的收入增长和创新的产品线，以及其劣势，例如高估值和激烈的竞争。该报告还可以识别潜在的机会，例如新兴市场的扩张和战略合作伙伴关系，以及威胁，例如监管变化和技术颠覆。这些信息可以让分析师做出关于是否推荐买入、持有或卖出该股票的明智决策。
尽管提示是一种强大的技术，但企业必须了解其局限性。当任务需要高度专业化的知识或当前信息时，提示可能不足以提供准确和相关的结果。在这种情况下，可以使用更高级的技术，例如 RAG 和指令微调。
例如，如果一位医生试图使用通用 LLM 来诊断一种罕见疾病，提示可能无法提供准确的诊断，因为它可能缺乏必要的医学知识。同样，如果一位律师试图使用 LLM 来分析最近通过的法律，提示可能无法提供全面的分析，因为它可能无法访问最新的法律数据库。
2. 检索增强生成 (RAG)：使用相关数据增强 LLM
检索增强生成 (RAG) 是一种更高级的技术，它涉及向 LLM 提供一个清晰的指令或问题，以及相关的数据或额外的信息。这种方法对于需要 LLM 访问当前信息或专有知识的任务特别有用。
例如，零售商可以使用 RAG 来构建客户服务聊天机器人，该聊天机器人能够准确回答有关产品退货政策的问题。通过使用公司退货政策文档训练聊天机器人，零售商可以确保客户收到准确和最新的信息，从而改善客户满意度并降低支持成本。
假设一位客户询问某零售商的在线聊天机器人："如果我对购买的商品不满意，可以退货吗？" 该聊天机器人可以使用 RAG 来搜索零售商的退货政策文档，找到相关的段落，例如 "您可以在购买后 30 天内退货。产品必须未磨损且带有原始标签。" 然后，聊天机器人可以利用这些信息生成一个准确且有用的回复，例如 "是的，您可以在购买后 30 天内退货。请确保产品未磨损且带有原始标签。"
RAG 的核心在于它能够利用传统企业搜索引擎或信息检索技术从大量文档中找到相关内容。这使得企业能够利用大量的内部知识库，并为 LLM 提供完成任务所需的上下文。
这项技术的工作原理是，首先将企业的文档分解成更小的块，例如段落或句子。然后，这些块被索引到向量数据库中，该数据库以数字形式存储每个块的语义表示。当用户提出问题时，RAG 系统会使用基于 Transformer 的嵌入模型将问题转换为向量表示。然后，它使用向量数据库搜索来查找与用户查询的嵌入向量在语义上最相似的文档块。一旦检索到相关文档块，它们就会与原始问题一起提供给 LLM。然后，LLM 使用此增强的上下文生成更准确和有用的响应。
医疗保健提供商可以使用 RAG 来帮助医生做出诊断和治疗决策。通过为 LLM 提供患者病史、检查结果和医学研究论文，医生可以获得有价值的见解，从而帮助他们确定最合适的治疗方案。这可以改善患者的治疗效果并减少医疗误差。
例如，如果一位医生正在治疗一位患有复杂症状的患者，他们可以使用 RAG 来访问相关的医学文献。医生可以将患者的病史、体格检查结果和实验室测试结果输入到 RAG 系统中，并提示系统识别可能导致这些症状的潜在诊断和治疗方案。RAG 系统会搜索医学数据库，并检索相关的研究论文、临床试验指南和专家意见，这些信息可以帮助医生做出明智的决策。
法律公司可以使用 RAG 来帮助律师进行研究和撰写简报。通过为 LLM 提供相关案例法、法规和法律文章，律师可以快速找到支持其诉讼的必要信息。这可以节省律师的时间和精力，并让他们能够专注于案件的其他重要方面。
例如，如果一位律师正在准备一起违约案件，他们可以使用 RAG 来搜索相关的案例法和法规。律师可以输入案例的关键词，例如 "违约"、"合同" 和 "赔偿"，RAG 系统会搜索法律数据库，并检索相关的案例、法规和法律文章，这些信息可以帮助律师构建他们的论点。律师还可以使用 RAG 来分析其他类似案件的结果，并评估其案件的优势和劣势。
为了充分利用提示和 RAG，企业必须帮助其员工培养提示工程技能。一种有效的方法是“思维链”提示，其中用户指示 LLM“逐步思考”。这种方法通常会产生更准确的结果，因为它可以鼓励 LLM 分解复杂的任务并以有条理的方式进行推理。
例如，要求 LLM "逐步思考" 如何解决一个复杂的问题，例如 "如何减少公司的客户流失率？"，LLM 回答前，先列出减少客户流失率所需要考虑的以下步骤：
- 定义客户流失率：明确如何计算客户流失率。
- 分析流失原因：分析客户流失的原因，可以通过调查、面谈等方式进行。
- 确定目标客户：确定容易流失的客户群体。
- 制定挽回措施：制定有针对性的挽回措施，例如提供优惠、改善服务等。
- 评估措施效果：评估挽回措施的效果，并进行调整。
然后，LLM会根据这些步骤，逐一进行分析和建议，从而提供更全面、更有效的解决方案。
Ramakrishnan 强调，在提示工程中需要谨慎，以确保 LLM 提供的答案确实是我们所需要的。通过仔细制作提示并提供相关的上下文，企业可以最大限度地提高 LLM 提供的结果的准确性和相关性。
例如，在使用 LLM 生成营销材料时，企业应提供详细的品牌指南，包括语气、风格和信息传递。他们还应提供有关目标受众、产品优势和竞争对手的全面信息。通过提供清晰的提示和相关的上下文，企业可以确保 LLM 生成符合其品牌形象并与目标受众产生共鸣的营销材料。
3. 指令微调：定制 LLM 以满足特定需求
指令微调是一种更高级的技术，它涉及使用特定于应用程序的问答示例进一步训练 LLM。这种方法对于涉及领域特定的术语和知识或难以轻松描述的任务特别有用，例如分析医疗记录或法律文件。
与提示和 RAG 不同，指令微调涉及修改模型本身。通过使用应用程序特定的数据训练 LLM，企业可以提高其在特定领域的准确性和性能。
例如，一家试图构建有助于医疗诊断的聊天机器人的组织将需要编译数百个问答示例，并将其提供给 LLM。包含患者病例详细信息的查询将与医学上合理的答案配对，其中包括有关可能诊断的详细信息。此信息将进一步训练 LLM，并提高其对医疗问题提供准确回答的可能性。
具体来说，该组织可能会创建一个包含以下示例的数据集：
- 问题：一位 55 岁的男性，有胸痛、呼吸急促和左臂疼痛的病史。心电图显示 ST 段抬高。可能是什么诊断？
- 答案：根据这些症状和心电图结果，最可能的诊断是急性心肌梗塞（心脏病发作）。
通过使用数百或数千个这样的例子训练 LLM，组织可以显著提高其在诊断医疗状况方面的准确性。
金融机构可以使用指令微调来提高其欺诈检测系统的准确性。通过使用欺诈交易和非欺诈交易的历史数据训练 LLM，机构可以提高其识别欺诈活动的能力。这有助于机构减少金融损失并保护其客户免受欺诈。
例如，一家银行可以使用包含以下信息的数据集来训练其欺诈检测系统：
- 交易金额
- 交易时间
- 商家位置
- 客户的交易历史记录
通过使用这些数据训练 LLM，银行可以开发一种能够识别欺诈交易的系统，即使这些交易与其他欺诈交易略有不同。
制造公司可以使用指令微调来优化其生产流程。通过使用有关生产过程的数据训练 LLM，公司可以识别低效率并提高整体效率。这有助于公司降低成本并提高生产力。
例如，一家汽车制造商可以使用包含以下信息的数据集来训练 LLM：
- 生产线的速度
- 每个工作站的缺陷数量
- 所用的材料数量
- 环境温度
通过使用这些数据训练 LLM，制造商可以识别可以优化的生产过程中的瓶颈和低效率。
虽然指令微调是一种强大的技术，但它也可能很耗时。为了创建训练模型所需的数据，一些公司可能会选择使用 LLM 来生成数据本身。此过程称为合成数据生成，并且可以有效降低与指令微调相关的成本和工作量。
例如，在构建医疗诊断聊天机器人的示例中，组织可以使用 LLM 来生成许多关于不同患者症状和可能诊断的虚构案例。然后可以使用这些合成数据来训练 LLM。虽然合成数据不像真实数据那样准确，但它仍然可以有效地提高 LLM 的性能，特别是当真实数据稀缺或难以获得时。
找到 LLM 的正确方法
随着组织更深入地研究 LLM 和生成式 AI 应用程序，他们不必在这些方法之间进行选择，而应根据用例以各种方式组合采用它们。
Ramakrishnan 认为，“提示在工作量方面最容易，其次是 RAG，然后是指令微调。投入的工作量越多，回报也越大。”
这种说法的意思是，企业应该根据自身的资源和需求，选择最适合自己的 LLM 应用方法。如果企业只是想快速解决一些简单的问题，那么使用提示就足够了。如果企业需要处理更复杂的问题，并且需要访问最新的信息，那么可以使用 RAG。如果企业需要构建一个高度专业的 LLM 应用程序，那么可以使用指令微调。当然，企业也可以将这些方法结合起来使用，以达到最佳的效果。
例如，一家公司可以使用提示来快速回答客户的常见问题。然后，它可以使用 RAG 来处理更复杂的问题，例如关于产品退货政策的问题。最后，它可以使用指令微调来构建一个专门用于医疗诊断的聊天机器人。
通过仔细评估其需求并选择最合适的 LLM 方法或方法的组合，企业可以释放这些强大技术的全部潜力并推动创新，提高效率和改进决策制定。随着 LLM 的不断发展，企业必须及时了解最新的发展情况，并尝试新的技术，以充分利用这些突破性技术的优势。企业应该将 LLM 视为一个持续学习和改进的过程，而不是一个一次性的解决方案。通过持续监测 LLM 的性能并根据需要进行调整，企业可以确保其 LLM 应用程序始终保持准确、相关和有效。